射频指纹
射频指纹是什么
射频指纹是一种利用无线电信号的特征来识别设备或用户的技术。射频指纹可以用来做设备身份认证、位置跟踪、安全防护等应用。射频指纹的优点是难以伪造、不依赖于额外的硬件或软件、适用于多种无线通信协议。
射频指纹识别流程
射频指纹识别的一般流程包括以下几个步骤:
- 信号采集:使用接收设备(如SDR)来捕获无线电信号,并将其转换为数字信号。
- 信号预处理:对数字信号进行滤波、同步、解调等操作,以提取出有效的信息。
- 射频指纹提取:从预处理后的信号中提取出能够反映设备或用户特征的参数,如幅度、相位、频率、调制方式等。
- 射频指纹匹配:将提取出的射频指纹与数据库中已有的射频指纹进行比较,计算相似度或距离,判断是否属于同一设备或用户。
射频指纹来源
- 稳态信号:稳态信号是指在通信过程中持续存在的信号,如前导码、导频、数据包等。稳态信号的射频指纹主要来源于设备的硬件差异,如晶振、放大器、滤波器等。
- 瞬态信号:瞬态信号是指在通信过程中短暂出现的信号,如开关机、跳频切换等。瞬态信号的射频指纹主要来源于设备的软件差异,如时钟偏移、电源管理、协议实现等。
- 原始信号raw
- 各种变换、高阶低阶的那些,频域、时域的
射频指纹提取方式
- 手动提取:手动提取是指根据人为设定的规则或标准,从信号中提取出特定的参数作为射频指纹。手动提取的优点是简单易实现,缺点是需要专业知识和经验,且可能忽略一些潜在的特征。
- 自动提取:自动提取是指利用深度学习等方法,从信号中自动学习和提取出有效的特征作为射频指纹。自动提取的优点是能够发现更多的特征,缺点是需要大量的数据和计算资源,且可能存在过拟合或欠拟合的问题。
- 手动——机器学习
- 自动-——深度学习(各种网络)
WISIG数据集
wisig数据集
您好,这是Bing。我很高兴您对WiSig数据集感兴趣。WiSig是一个大规模的WiFi信号数据集,它包含了从174个商用WiFi发射器和41个USRP接收器在一个月内的4次采集中捕获的1000万个数据包12。WiSig不仅提供了原始的信号捕获,还提供了经过预处理的子集,以及相应的脚本和示例。WiSig可以用于研究和评估无线信道和接收器对发射器指纹识别的影响2。WiSig数据集的详细介绍和潜在用途可以在数据集论文中找到。
https://cores.ee.ucla.edu/downloads/datasets/wisig/
GitHub地址
https://github.com/WiSig-dataset/
由于tensorflow版本问题其出现了一个问题
就是将其中一个数据封装成字典形式,然后就可以跑起来了,具体的话现在没看代码,后面看下自己写的代码补上去。哈哈
原始代码中为 前导码+CNN
可以把网络给改了,改成任意网络都可以,只要数据维度能够对应上就行。数据维度、数据维度、数据维度、数据维度。
总
没啥说的